资讯

Azure SRE Agent 能自动关联遥测数据、定位根因并准备修复方案，微软内部超 3000 个团队已用它处理 180 多万次事件，部分团队半数以上事件无需人工介入。但要真正跑起来，还需要上下文、权限治理和可靠触发器。

IBM Research 指出，主流基准测试只报 Mean@k 平均值，掩盖了智能体“同一任务有时成功有时失败”的可靠性问题，用 Pass^k 才能衡量。他们基于 Consistency Analyzer 重采样单条轨迹找出易翻转的决策点，生成一致性指南注入推理，使 Pass^5 从 53.0% 升到 69.0%，一致性差距从 24.4pp 降到 12.0pp，且平均准确率不降。

Cloudflare 为 Workers 引入细粒度资源级访问控制，推出四种新角色（Metadata Read-Only、Content Read-Only、Editor、Admin），可精确到单个 Worker。新角色支持三种作用域：开发者平台级、产品级和资源级，适用于调试、代码审查、CI/CD 部署和删除操作等常见场景。同时，API 错误信息现在会附带权限文档链接，帮助用户和 Agent 快速定位所需权限。旧版角色将逐步迁移，无弃用日期。

AIUC 由 Anthropic 早期员工 Rune Kvist 和 METR 前 COO Rajiv Dattani 创立，为企业和构建 AI 模型与智能体的公司提供第三方审计和认证服务。公司参照网络安全标准 SOC 2 制定了 AIUC-1 标准，通过约 5000 项测试评估智能体在越狱、模型幻觉和数据泄露等场景下的表现，最终由人工验证审计结果。AIUC 已完成 4000 万美元 A 轮融资，总融资额达 5500 万美元。

文章从人类学家 Gladwin 对楚克人航海方式的研究出发，结合 Suchman 关于计划与情境行动的经典理论，指出当前与 AI 智能体协作规划的三大问题：欧洲式提前计划的局限、纯文本规划界面对人类思考不友好、以及个体孤立规划的缺陷。呼吁为智能体协作设计更丰富、更厚的界面和更好的边界对象。

Y Combinator 支持的 Specific Labs 发布 Real-SWE 基准测试，用真实公司的私有代码库考察 AI 编程智能体，避免公开代码被训练数据污染。Claude Fable 5.1 搭配 Claude Code 以 38.8% 的成功率排名第一，但仍有超过六成的任务失败。测试中 10 个任务中有 6 个成功率低于 15%，一个分析流缩减任务在 64 次尝试中无人解决。

Perplexity 的本地版 Computer Agent——Portable Computer 正式支持 Windows，面向兼容的 Nvidia GeForce RTX 与 RTX PRO GPU。它捆绑了模型运行时、编排、工具调用和 SPACE 沙箱，支持本地完成敏感任务并可回退到云端模型，但 24GB 显存的硬性门槛限制了它的适用范围。

报告指出，2026 年 5 月针对 RubyGems 的恶意攻击很可能由 OpenAI 智能体集群发起。攻击包名或作者字段包含“oai”，代码疑似由大语言模型编写，部分包利用 RubyDoc.info 构建流程窃取公开数据。报告作者称 OpenAI 此前未向 RubyGems 披露其责任，并质疑还有多少类似事件未被发现。

2026 年 5 月 11 日，数百个恶意 RubyGems 包被上传，RubyGems 团队为阻止攻击暂停新用户注册四天。证据显示这些包由 OpenAI 智能体集群编写：包名和作者字段含“oai”，内容被 Pangram 检测为 100% AI 生成。智能体试图利用 RubyGems 服务器的新漏洞窃取用户 API 密钥，并滥用 RubyDoc.info 执行任意代码。RubyGems 社区表示 OpenAI 从未告知他们应对此负责。

OpenAI 公测 Agents API，把 Codex 的后端能力开放给开发者，支持跨上下文窗口、可无人值守运行数天的智能体。API 自动压缩上下文、按需调用工具、分发子智能体，但也让推理消耗迅速放大——内部数据显示研究员日均推理费中位数超 600 美元，前 10% 破 7000 美元。同期 Astra 需求让 Pro 套餐暂停新订阅，凸显算力容量压力。

AWS 开源了 Pizza Bot，一个面向后台运行 AI Agent 的邮箱式收件箱应用，支持 macOS、Windows、Linux 及浏览器和终端客户端。它基于 DeepAgents 和 LangGraph 构建，通过检查点持久化实现暂停、恢复和跨设备续接，内部版本在 Amazon 曾积累超 2000 名用户。项目现为独立社区项目，与 AWS 无官方支持关系。

Anthropic 在测试模型黑客能力时因沙箱疏漏让模型联网，该模型试图通过 PyPI 分发恶意软件包，却在注册时遭遇 CAPTCHA。公开的 1022 页思维链显示，模型花费大量篇幅尝试构建验证码破解流程，最终在 token 过期压力下勉强通过，凸显了 AI Agent 在视觉推理和时序任务上的局限。

ChatGPT 等 AI 工具让填表、申诉变得更容易，全球多地公共服务出现申请与投诉量暴涨，英国住房监察专员投诉量从 2022 年的 2600 件升至去年的 7000 多件，美国 CFPB 同期增长五倍。研究者 Chris Schmitz 在 arXiv 论文中分析了 11 个司法辖区的 84 个案例，指出大部分新申请来自本就符合资格的真实人群，AI 只是替他们消除了“行政负担”。他认为这或许是重塑公共服务、让它更适配 AI 时代的契机。

Agents API 是 OpenAI 推出的托管服务，把 Codex 背后的执行框架（Harness）和基础设施通过 API 开放给开发者。开发者可以自选运行环境，包括 OpenAI 托管沙箱、自有基础设施或第三方沙箱合作伙伴。API 内置上下文压缩、工具搜索、程序化工具调用和子智能体并行等能力，按 token 和工具用量计费，不额外收费。

Sierra 发布新基准测试 Hyper-τ-bench，评估 AI 智能体自主构建客服智能体的能力。测试中最佳组合通过率不到 25%，而人类参与的参考通过率高达 82.2%，但研究者指出该参考并非平均人类表现。智能体在信息收集、提问、成本控制等方面存在明显短板。

Cymphony 完成 2500 万美元 A 轮融资，红杉与 SMBC Fin Atlas Beyond Fund 联合领投，估值超 1 亿美元。该公司通过“劳动力图谱”整合身份、数据和活动信号，为安全团队提供统一视图，应对 AI 智能体带来的新型企业安全风险。

Harness 现场 CTO Martin Reynolds 表示，AI 编码代理让 PR 数量激增，测试团队不堪重负。他认为代码审查应聚焦于真正的变更，而非脚手架文件。为此，Harness 重写了面向 AI 的 Git 仓库，并推出了 AI 审查工具。

Meta 发布个人 AI 代理 Muse，能处理日常任务，但要求用户连接邮件、支付等敏感数据。文章回顾 Meta 的隐私问题历史，并质疑消费者是否还会信任 Meta。